Régression quantile censurée pondérée

Section 5. Conclusions

Nous avons proposé une méthode qui utilise efficacement l’information auxiliaire pour améliorer l’efficacité de l’estimateur par régression quantile censurée. Nous avons élaboré une méthodologie permettant de transformer l’information démographique présentée dans des essais cliniques antérieurs ou des faits observés en probabilités axées sur des données fondées sur la vraisemblance empirique non paramétrique. Nous avons élaboré le calcul des probabilités axées sur des données fondées sur la VE pour les cas connus et inconnus d’information antérieure à propos des paramètres de population. Nous avons appliqué ces probabilités comme poids dans le modèle de régression quantile censurée pondérée de Peng et Huang (2008). La méthode que nous proposons est efficace comparativement à la régression quantile censurée standard et elle permet d’obtenir des estimateurs convergents des coefficients de régression présentant une normalité asymptotique. Nos études par simulation ont permis de démontrer que l’erreur-type des estimations des paramètres fondées sur les méthodes que nous proposons (RQC-VE1 et RQC-VE2) est inférieure à celle de la méthode standard (RQC) lorsque nous utilisons l’ensemble des covariables dans le calcul des poids de probabilité axés sur des données fondées sur la VE. La méthode par régression quantile censurée pondérée que nous proposons permet d’obtenir pratiquement la même probabilité de couverture comparativement au niveau nominal. Dans le cas des modèles hétéroscédastiques, l’utilisation de l’information auxiliaire à propos d’un sous-ensemble de paramètres de population améliorait même l’efficacité des estimations de l’ensemble des paramètres au moyen de la RQC-VE1. Cependant, dans la RQC-VE2, l’amélioration de l’efficacité se limitait au sous-ensemble de variables et à l’ordonnée à l’origine correspondants. Dans les modèles homoscédastiques, l’utilisation de l’information auxiliaire à propos d’un sous-ensemble de paramètres de population améliorait l’efficacité de ce sous-ensemble particulier de paramètres seulement et l’ordonnée à l’origine dans la RQC-VE1 et la RQC-VE2. Dans l’analyse de données réelles, nous avons observé que la méthode que nous proposons permet d’obtenir des estimations plus efficaces des quantiles et des limites de confiance plus étroites comparativement à la régression quantile censurée standard.

Remerciements

Les auteurs remercient le rédacteur en chef, le rédacteur associé et les examinateurs dont les suggestions ont grandement contribué à améliorer le présent document. Les travaux de recherche de Variyath et de Fan sont financés en partie grâce à une subvention du Conseil de recherches en sciences naturelles et en génie du Canada.

Bibliographie

Bahadur, R.R. (1966). A note on quantiles in large samples. The Annals of Mathematical Statistics, 37, 577-580.

Buckley, J., et James, I. (1979). Linear regression with censored data. Biometrika, 66, 429-436.

Chen, J., et Qin, J. (1993). Empirical likelihood estimation for finite populations and the effective usage of auxiliary information. Biometrika, 80, 107-116.

Fang, K.-T., Li, G., Lu, X. et Qin, H. (2013). An empirical likelihood method for semiparametric linear regression with right censored data. Computational and Mathematical Methods in Medicine, 1-9.

Fleming, T.R., et Harrington, D.P. (2011). Counting Processes and Survival Analysis, New York: John Wiley & Sons, Inc.

Fygenson, M., et Ritov, Y. (1994). Monotone estimating equations for censored data. The Annals of Statistics, 22, 732-746.

Kaplan, E.L., et Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53, 457-481.

Koenker, R. (2005). Quantile Regression, Cambridge.

Koul, H., Susarla, V. et Ryzin, J.V. (1981). Regression analysis with randomly right-censored data. The Annals of Statistics, 9, 1276-1288.

Kuk, A.Y.C., et Mak, T.K. (1989). Median estimation in the presence of auxiliary information. Journal of Royal Statistical Society, Series B, 51, 261-269.

Li, G., et Wang, Q.H. (2003). Empirical likelihood regression analysis for right censored data. Statistica Sinica, 13, 51-68.

Loprinzi, C.L., Laurie, J.A., Wieand, H.S., Krook, J.E., Novotny, P.J., Kugler, J.W., Bartel, J., Law, M., Bateman, M. et Klatt, N.E. (1994). Prospective evaluation of prognostic variables from patient-completed questionnaires. North Central Cancer Treatment Group. Journal of Clinical Oncology, 12, 1, 601-607.

Owen, A. (1988). Empirical likelihood ratio confidence interval for a single functional. Biometrika, 75, 237-249.

Owen, A. (1991). Empirical likelihood for linear models. The Annals of Statistics, 19, 1725-1747.

Owen, A. (2001). Empirical Likelihood, Chapman & Hall/CRC.

Peng, L., et Huang, Y. (2008). Survival analysis with quantile regression models. Journal of the American Statistical Association, 103, 637-649.

Portnoy, S. (2003). Censored regression quantiles. Journal of the American Statistical Association, 98, 1001-1012.

Powell, J. (1984). Least absolute deviations estimation for the censored regression model. Journal of Econometrics, 25, 303-325.

Powell, J. (1986). Censored regression quantiles. Journal of Econometrics, 32, 143-155.

Qin, G., et Jing, B.-Y. (2001). Empirical likelihood for censored linear regression. Scandinavian Journal of Statistics, 28, 661-673.

Qin, J., et Lawless, J. (1994). Empirical likelihood and general estimating equations. The Annals of Statistics, 22, 300-325.

Rao, J.N.K., Kovar, J.G. et Mantel, H.J. (1990). On estimating distribution functions and quantiles from survey data using auxiliary information. Biometrika, 77, 365-375.

Tang, C., et Leng, C. (2012). An empirical likelihood approach to quantile regression with auxiliary information. Statistics & Probability Letters, 82, 29-36.

Tobin, J. (1958). Estimation of relationships for limited dependent variables. Econometrica, 26, 24-36.


Date de modification :